尘 Julia的分层聚类，类似于R的hclust() 地位 请注意，此软件包现已到 该存储库显示任何其他正在进行的工作。 群集涉及很多管理工作，很容易出错。 我已经针对以下方法测试了中型集群（最多250 --- 5000）元素的结果： 方法 在矩阵大小下验证 时间 已验证 :single 5000 1.3 好的 :complete 2500 4.5 好的 :average 2500 4.5 好的 用法 d = rand ( 1000 , 1000 ) d += d ' # # make sure distance matrix d is symmetric (this is optional) h = hclust (d, :single ) hclust（） hclust (distance :: Matrix , method :: Symbol ) 使用

BIGUQ.jl：贝叶斯信息鸿沟决策理论

杰理 AC695N芯片寄出器介绍，资源介绍，用户手册

电视无功

matlab最简单的代码DCEMRI检查 快速，经过验证的开放源代码工具包，用于动态对比度增强的MRI分析 为什么是Julia？ 来自 ， Julia是用于技术计算的高级，高性能动态编程语言，其语法为其他技术计算环境的用户所熟悉。 它提供了完善的编译器，分布式并行执行，数值精度和广泛的数学函数库。 该库主要由Julia本身编写，还集成了成熟的同类最佳的C和Fortran库，用于线性代数，随机数生成，信号处理和字符串处理。 简而言之，它看起来像Matlab，对于大多数MRI研究人员来说，它很容易学习和熟悉，但是它运行得更好，更快，并且是完全免费的。 特别是，对于DCE MRI问题，Julia的简单而灵活的并行计算模型可以对非线性最小二乘拟合问题进行几乎完美的并行化。 在我的非正式测试中，Julia的固有速度与我的并行实现相结合，使Matlab和Python的速度提高了20-40倍。 安装 安装很简单。 首先，您需要Julia。 获取Julia的最简单方法是从中获取当前发行版本。 接下来，您需要DCEMRI.jl 。 打开Julia。 您应该看到显示julia>提示符的终端窗口。 这类似于

matlab sum函数代码矢量化基础 这是一个在 Julia 中提供基本 SIMD 支持的库。 VectorizationBase 的存在在很大程度上是为了满足 的代码生成的需求，优先于稳定的面向用户的 API。 因此，您可能希望在 Julia 中编写显式 SIMD 代码时考虑作为替代方案。 也就是说，当传递给用户定义的函数时， Vec和VecUnroll类型旨在尽可能地“正常工作”，因此它在实践中应该相当稳定。 代码的其他部分——例如，加载和存储向量以及stridedpointer函数——有望很快收敛，并通过利用 支持通过生态系统传播的各种AbstractArray类型，以便 VectorizationBase 可以开始提供一个稳定的、符合人体工程学的、支持良好的 API 很快。 它还提供了一些有关运行它的主机的信息，可用于自动执行特定于目标的优化。 目前，x86_64 支持在这方面是最好的，但我希望提高为其他架构提供的信息质量。 Vec是Number并且表现为单个对象； 它们恰好包含多个Float64 。 因此，在索引和缩减方面，它将表现得像一个数字而不是一个集合： julia

QuantumWalk.jl：QuantumWalk.jl：用于基于量子游走构建算法的程序包

TaylorSeries.jl：一个julia包，用于在一个和几个自变量中进行泰勒多项式展开

jl1.0.1.jar javazoom.jl.player.AudioDevice javazoom.jl.player.Player

坐标点Matlab代码近端文件 注意 这个包是无人维护的。 不保证其可靠性。 介绍 这是 Parikh 和 Boyd 对proximal代码的 Julia 的翻译。 有关更多详细信息，请参阅下面的文档。 近端运算符 这个“库”包含 Matlab 中各种近端算子的示例实现。 这些实现旨在用于教学，而不是最高效的。 此代码与论文相关尼尔帕里克和斯蒂芬博伊德。 要求 C 函数依赖于 GNU 科学库 (GSL)。 其中一些函数还包含 OpenMP 指令来并行化一些for循环，因此使用 OpenMP 进行编译是可选的，但如果使用某些函数，速度会大大加快。 Matlab 函数prox_cvx.m需要 . 例子 通过 CVX 和此处的函数评估l1范数的近端算子： >> n = 100 ; >> lambda = 1 ; >> >> v = randn(n, 1 ); >> >> % CVX baseline >> cvx_begin quiet >> variable x(n) >> minimize(norm(x, 1 ) + ( 1 /( 2 *lambda))*sum_square(x - v